本文摘要：习近平总书记在2019年主持中央政治局第十九次集体学习时强调，应急管理要适应科技信息化发展大势，以信息化推进应急管理现代化，优化整合各类科技资源，推进应急管理科技自主创新。 机器学习作为近几年计算机科学领域的热门研究方向，其实用性和准确性在很多
习近平同志在2019年主持中央政治局第十九次集体学习时强调，应急管理要适应科技信息化发展大势，以信息化推进应急管理现代化，优化整合各类科技资源，推进应急管理科技自主创新。 机器学习作为近几年计算机科学领域的热门研究方向，其实用性和准确性在很多行业和领域得到了验证。 针对应急管理工作的特点和情况，结合机器学习的技术优势，该技术在致灾因子分析、灾害预测、承灾体抗灾能力分析等方面将有着广阔的发展前景。
应急领域数据利用现状简析
目前应急管理信息化建设存在现代信息化技术应用程度不高，信息化系统缺乏统筹和融合等问题。 当前建立的信息化系统主要基于传统信息技术建设，更侧重城市运行各个领域的数据搜集和展示，对于新一代技术，如人工智能、机器学习、云计算、物联网等的应用还不充分、不深入，对决策的支撑作用有限。
从全市范围看，现有的网络建设项目主要是电子政务网站以及800兆无线政务网等传统信息平台，大数据平台的建设目前还在资源目录体系编制工作以及政务数据汇聚阶段。 在应急管理信息化发展规划中，用什么新技术、怎么用新技术、在哪里用新技术都将是研究和讨论的重要方向。 针对信息化系统存在整体统筹不足、技术架构不统一、信息共享程度不高等现状，如果要进一步提升应急管理的效能，推进业务融合发展，必须借助新的技术手段着力突破当前的若干困境。
机器学习的定义和原理
机器学习在学术界还没有一个统一的定义，目前比较认可的定义来自卡内基梅隆大学的Tom Mitchell教授：对于某类任务T和性能度量P，如果一个计算机程序在T上以P衡量的性能随着经验 E而自我完善，那么我们称这个计算机程序在从经验E中学习。 例如，音乐软件可以通过机器学习向用户推荐其可能喜爱的歌曲。
其中，任务T就是向用户推荐可能喜欢的歌曲; 性能度量P是歌曲的众多属性，可能包括曲风、歌手、年代、语种等诸多元素; 经验E就是给出用户可能喜欢的歌曲后，通过用户的反馈不断矫正算法的结果。 机器学习分为有监督和无监督两种方式。 无监督的机器学习是根据特征将所有的任务划分到拥有相同特征的簇团。 有监督的机器学习就是输入实例，训练程序学习得到规则。
根据史培军教授提出的致灾因子论，灾害的发生是致灾因子对承灾体作用的结果，假设致灾因子和承灾体存在某些特征，出现这些特征时可以观察到灾害发生。 以自然灾害的预测为例，机器学习的工作原理和流程如图2所示，从图2可知，首先梳理灾害数据。 这些数据应来自于历史记录的灾害，可以是数字、文字、图片、音频等形式。 上述所有数据形成数据集，根据功能不同分为训练集和测试集。 其次构建机器学习模型。
从当前研究领域较为成熟的十余种算法中筛选最合适的算法，用来处理训练集的数据，初步形成机器学习模型; 通过测试集与机器学习模型的拟合效果，对模型进行评估，从而进一步优化模型。 在两部分数据集的协作下，完成机器学习建模。 最后生成对抗网络。 计算机生成与真实样本相似的数据，输入到模型中让原网络误判，对抗网络与原网络交替优化模型，对抗网络的目的是尽可能生成真实的数据让原网络出错，原网络的目的是尽可能识别出对抗网络生成的虚假数据。 当原网络的识别正确率约为50%时，可以认为生成了成熟的学习网络。
机器学习应用场景分析
为解决应急管理信息化面临的决策支撑能力不足等问题，一些科研课题已经尝试将机器学习等技术用在灾害敏感性评估、辅助应急决策等方面，取得了一定效果。 这些研究对规划如何利用新一代信息技术支撑应急管理现有业务提供了有益的参考。
(一)监督管理
城市运行安全隐患排查重点需要实现隐患信息按属地、行业、安全监管部门录入、导入、修改等，其中属地上账、区政府审核上账等流程可以通过机器学习使其智能化、自动化。 在收集重大风险隐患的数据时，可以利用机器学习，对自然灾害或安全生产中一些特征参数进行加工处理，由机器学习网络判断是否存在重大安全隐患。
(二)监测预警
在应急管理大数据的支持下，机器学习在自然灾害、安全生产风险、城市消防以及互联网舆情监测预警等方面都有着非常广泛的应用。 根据文献调研，已有作者利用贝叶斯网络方法对四川北川地区地震滑坡影响因素进行了研究。 机器学习的优点之一是基于经验的学习，不需要掌握其输入输出结果之间必然的逻辑关系。
在当前比较主流的灾害理论的研究中，无论是致灾因子论、孕灾环境论、承灾体论还是区域灾害论中，关于致灾因子最终形成灾害的过程都没有明确的定论，在这种背景下根据理念灾害下致灾因子的数据，利用机器学习对灾害发生的原因做形象侧写，再辅以水位监测系统、森林防火视频监控系统、雪亮工程视频监控系统等自然灾害和安全生产风险监测预警子系统，可以提高对自然灾害和安全生产监测预警的准确性和及时性。
(三)指挥救援
以综合应急指挥应用系统为核心的多个专题指挥应用中，机器学习都有其发挥作用的地方。 突发事件事前管理中，案例推演和数字化预案都是在经验的指导下进行方案预测，这和机器学习的大致思路是一样的。 形成的预案又会进一步对网络进行训练，使得应急处置方案和机器学习模型互相促进互相进步。
突发事件事中管理中运用的专题指挥应用也可以根据其专题配以适合的模型支撑决策和判断。 在刘晓慧的研究中提到的智能应急决策模型也是通过GIS等信息技术对应急响应和决策流程进行优化，解决了静态文本预案在处置突发事件，尤其是突发灾害时的局限性。 突发事件事后的调查和总结同样可以借助机器学习形成较为标准化的报告和数据，对应急数据资源进行进一步的补充，也为机器学习模型进一步优化提供数据支撑。
应急管理运用机器学习的难点
(一)数据的“量”与“质”
机器学习的特性决定了其更像是一种基于观测的“归纳法”，而不是基于推理进行演绎。 观测的基础是有大量的真实数据进行支撑。 如今应急管理工作还处于发展阶段，一方面历史自然灾害和安全生产事故资料的数据量与机器学习所需的数据量还有很大差距，难以训练网络形成准确的模型。 另一方面，现有的资料和报告的数据形式与机器学习所需要的数据格式还不匹配。 行政系统中广泛使用的调查报告是以结果为导向的，在进行事后损失评估、信息通报方面比较适用，但是在进行数据处理时，很难提炼出有效的信息，将会给模型建立工作带来一定困难。
(二)算法构建
机器学习在应用时，算法的选择是一个需要长时间研究和考虑的课题。 应急管理是一个比较宽泛和抽象的概念，包含的自然灾害、安全生产、城市消防、舆情监测等领域都有着各自的特点和需求，在针对不同的对象时，适用的算法和处理方式也各不相同。
建议
(一)规范数据格式，优化处理方法
如何高效地收集、共享应急数据是未来一段时间应急管理等各相关部门需要研究的问题，特别是在收集数据时，详尽的数据比高度概括的报告更加重要。 各部门应统一标准、形成合力，确保提供的原始资料客观真实，保持数据全面详细，充分发挥新一代信息技术的优势，快捷地从基础资料中筛选出系统需要的数据。
(二)健全预警体系，实现灾害监测常态化
将致灾因子和承灾体的监测常态化，逐步完善城市安全、自然灾害等监测预警系统，持续记录其数据供平台使用。 发挥机器学习在异常检测方面的特殊优势，提前预判城市灾害的异常状况，实现城市综合安全风险监控常态化、精细化。
(三)加强人才培养，扩大应急信息化人才储备
强化应急管理信息化队伍建设，加强掌握新一代信息技术的人才储备。 习近平同志在2018年第九次集体学习时强调：人工智能是新一轮科技革命和产业变革的重要驱动力量，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。 完善人才引进体系，政策上给予相关的优惠和补贴，吸引人工智能领域的人才投身应急事业，推进人工智能在应急管理领域的发展。
(四)打破信息壁垒，统筹融合信息化系统
应急管理智能化发展中，信息共享是应用新一代信息技术的基础。 各部门、各区域、各行业应共享开放应急管理有关的数据系统。 加强信息系统处理的数据的实时性、全面性、准确性，进一步提高信息技术辅助决策的能力。
应急管理论文范例：强化体系建设提升应急管理专业化水平
结语
从“神农尝百草”到“失败是成功之母”再到“机器学习”，基于经验的学习归纳法一直贯穿人类文明的发展进程。 在推进我国应急管理和治理能力现代化的过程中，借鉴吸收先进成果和技术，利用新一代信息科技，打造具有中国特色的现代化应急管理体系是我们未来追求的目标。
作者：凌云志 杨琳
转载请注明来自发表学术论文网：http://www.fbxslw.com/jjlw/25160.html
